陳莉莉，劉 翔，唐家勛，陳俊廷

（上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海 201620）

0 引言

疲勞駕駛是導(dǎo)致交通事故頻發(fā)的重要原因之一，每年約有20%的交通事故是由疲勞駕駛引起的[1]。目前可以通過(guò)主觀(guān)疲勞檢測(cè)和客觀(guān)疲勞檢測(cè)方法評(píng)價(jià)當(dāng)前駕駛員的精神狀態(tài)。主觀(guān)疲勞檢測(cè)以問(wèn)卷形式要求駕駛員進(jìn)行自我評(píng)估，結(jié)果缺少客觀(guān)性。而客觀(guān)疲勞檢測(cè)是從駕駛行為、生理信號(hào)和面部視覺(jué)信息等方面入手研究，由于面部視覺(jué)信息易于采集且具有非侵入性[2]，越來(lái)越多的學(xué)者在這方面展開(kāi)疲勞駕駛的研究，常用的疲勞特征有眼睛和嘴巴的開(kāi)合狀態(tài)[3～4]、眨眼[5]和打哈欠頻率[6]等，文獻(xiàn)[6～9]以在面部表情檢測(cè)中常用的運(yùn)動(dòng)單元（Action Unit，AU）[10]作為特征檢測(cè)駕駛員的疲勞狀態(tài)。為了能夠更準(zhǔn)確地評(píng)價(jià)駕駛員的狀態(tài)，需要提取更多的特征來(lái)綜合表征疲勞，但特征提取的越多，越有可能會(huì)帶來(lái)相同甚至無(wú)用的信息，即冗余特征和無(wú)關(guān)特征，最終影響模型泛化能力[11]。因此，當(dāng)利用高維特征綜合檢測(cè)駕駛員疲勞狀態(tài)時(shí)，在不影響模型準(zhǔn)確率的前提下降低特征維度具有現(xiàn)實(shí)意義。特征選擇是一種有效的降維方式，被廣泛應(yīng)用于機(jī)器學(xué)習(xí)和模式識(shí)別等領(lǐng)域?；诨バ畔ⅲ∕I）的特征選擇方法[12]常被用來(lái)對(duì)高維數(shù)據(jù)進(jìn)行特征選擇，該方法能夠從全局上衡量特征和類(lèi)別之間的相關(guān)性，互信息值越高，則該特征與類(lèi)別的相關(guān)性越顯著，但缺乏對(duì)特征與特征之間相關(guān)性的研究，會(huì)帶來(lái)較大的冗余性。FCBF特征選擇算法[13]能夠通過(guò)計(jì)算對(duì)稱(chēng)不確定性去除冗余特征，但會(huì)出現(xiàn)過(guò)度刪減特征的極端情況，影響分類(lèi)精度。

本文結(jié)合面部動(dòng)作單元和頭部姿態(tài)作為疲勞指標(biāo)，分別提取這兩種指標(biāo)的8種數(shù)學(xué)統(tǒng)計(jì)量作為疲勞特征。提出MI-FCBF特征選擇算法，通過(guò)計(jì)算互信息和對(duì)稱(chēng)不確定性，排除無(wú)關(guān)特征和冗余特征，并增加自定義特征維度參數(shù)，避免出現(xiàn)被保留下的特征過(guò)少影響疲勞檢測(cè)精度的情況，本文的系統(tǒng)流程如圖1所示。

圖1 本文系統(tǒng)流程圖

1 特征提取

本文采用動(dòng)作單元AU和頭部姿態(tài)兩種維度的視覺(jué)信息綜合表征疲勞狀態(tài)，具體選擇文獻(xiàn)[8]中提出的5種最具疲勞特性的AU和3個(gè)頭部歐拉旋轉(zhuǎn)角即滾動(dòng)角（Roll）、平動(dòng)角（Yaw）以及轉(zhuǎn)動(dòng)角（Pitch）作為疲勞指標(biāo)。采用OpenFace面部行為分析工具[14]提取動(dòng)作單元AU和頭部姿態(tài)角。為了得到更深度的疲勞信息，本文在每個(gè)動(dòng)作單元AU和頭部姿態(tài)的指標(biāo)下分別提取8個(gè)常用的統(tǒng)計(jì)量作為最終的疲勞特征，如表1所示。

表1 選取的疲勞指標(biāo)

2 特征選擇相關(guān)算法

高維度特征可以更細(xì)致的評(píng)估對(duì)象，但同時(shí)也可能會(huì)帶來(lái)計(jì)算量增大、模型復(fù)雜以及存在大量冗余信息的問(wèn)題。而特征選擇算法可以通過(guò)評(píng)估原始數(shù)據(jù)集中所有特征的重要程度，舍棄無(wú)關(guān)和冗余的特征，以保留有效的特征子集，在不影響分類(lèi)算法準(zhǔn)確率的前提降低原始數(shù)據(jù)的特征維度。

2.1 互信息

信息熵能夠表征數(shù)據(jù)集中元素之間依賴(lài)關(guān)系的強(qiáng)弱。設(shè)不同類(lèi)別的概率是P(c)，其中C表示類(lèi)別，m表示類(lèi)別數(shù)，則C的熵可以表示為：

已知特征f后類(lèi)別c的不確定性由條件熵表示為：

其中n表示第n個(gè)特征，m表示類(lèi)別數(shù)，P(f)是特征f的概率，P(c | f)是給定特征f時(shí)類(lèi)別c的條件概率。

特征與類(lèi)別之間相互依存關(guān)系的強(qiáng)弱可以用互信息刻畫(huà)，互信息值越大，則說(shuō)明特征與類(lèi)別的相關(guān)程度越高?；バ畔⒖梢酝ㄟ^(guò)上述式(1)、式(2)表示為：

2.2 FCBF算法

FCBF是一種過(guò)濾性特征選擇算法，該算法以對(duì)稱(chēng)不確定性（Symmetrical uncertainty，SU）作為特征間冗余性的衡量標(biāo)準(zhǔn)[13]。如果一個(gè)特征與類(lèi)別之間的對(duì)稱(chēng)不確定性高，且與其他已選特征之間的對(duì)稱(chēng)不確定性低，則將該特征被保留，否則剔除。

當(dāng)變量Y出現(xiàn)時(shí)變量X信息熵的變化量稱(chēng)為信息增益，表示為：

由此對(duì)稱(chēng)不確定性可表示為：

SU(X,Y)的值域?yàn)?0,1)，SU越大，表示兩個(gè)隨機(jī)變量 X、Y 之間的相關(guān)性越大。當(dāng)SU（X,Y）=0時(shí)，表示兩個(gè)隨機(jī)變量X、Y不相關(guān)；反之，當(dāng)SU（X,Y）=1時(shí)，表示隨機(jī)變量X、Y完全相關(guān)。

3 MI-FCBF特征選擇算法

3.1 算法模型

MI-FCBF算法首先利用特征與類(lèi)別之間的互信息，從整體上把握特征對(duì)于分類(lèi)效果的顯著性，再通過(guò)對(duì)稱(chēng)不確定性進(jìn)一步研究特征之間的冗余性，實(shí)現(xiàn)一種兩階段的特征選擇方法。同時(shí)加入了能夠自定義的特征維度參數(shù)，避免特征被過(guò)度刪減影響分類(lèi)效果，使得特征選擇更具可靠性，算法流程如圖2所示。

圖2 MI-FCBF算法流程圖

3.2 算法定義

定義1：MI-FCBF的特征選擇算法矩陣，可以表示為二元組D:（Fn,Cm）。其中Fn表示數(shù)據(jù)集中包含n維特征，Cm表示該數(shù)據(jù)集分為m類(lèi)。

定義2：MI-FCBF算法中的互信息值W，初始特征子集S，初始特征子集維度為M_1。將所有互信息值按照大小進(jìn)行降序排列，選取前M_1個(gè)互信息值所對(duì)應(yīng)的特征作為初始特征子集S。

定義3：MI-FCBF算法中的對(duì)稱(chēng)不確定性SU（Fn，Cm），最優(yōu)特征子集S_best，自定義最優(yōu)特征子集維度參數(shù)為M_2。任何一個(gè)特征Fi與類(lèi)別之間的關(guān)系記為SUFi,C；任意兩個(gè)不同特征Fi與Fj之間的關(guān)系記為SUFi,Fj，其中0≤i≤n-1,0≤j≤n-1，且i≠j。如果SUFi,Fj≥SUFi,C，則在初始特征子集S中移除特征Fj，并將Fi添加進(jìn)最優(yōu)特征子集S_best。

3.3 算法描述

輸入：數(shù)據(jù)集D，參數(shù)M_1，M_2。

輸出：最優(yōu)特征子集S_best

1）輸入數(shù)據(jù)集D，特征維度為n。

2）計(jì)算數(shù)據(jù)集D上每維特征與類(lèi)別的互信息值，并以此對(duì)所有特征按照降序的方式排列。通過(guò)改變特征維度M_1并比較分類(lèi)模型的評(píng)估指標(biāo)，得到初始特征子集S。

3）輸入初始特征子集S，計(jì)算S中特征與類(lèi)別的對(duì)稱(chēng)不確定性的SUFi,C和特征與特征之間的SUFi,Fj，按照定義從初始特征子集S中刪除冗余特征，并將非冗余特征添加進(jìn)最優(yōu)特征子集S_best。

4）若最優(yōu)特征子集S_best的維度大于或等于M_2，則直接輸出S_best；若S_best的維度小于M_2，則在被刪除的特征中選擇SUFiC的最大值所對(duì)應(yīng)的特征并加入到S_best中，直至S_best的維度等于M_2。

5）輸出最優(yōu)特征子集S_best。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

環(huán)境：算法使用python3編寫(xiě)，計(jì)算機(jī)系統(tǒng)為Win7（64位），CPU為Intel i3，內(nèi)存為4GB。

數(shù)據(jù)集：NTHU Drowsy Driver Detection（DDD）數(shù)據(jù)集[15]是通過(guò)紅外攝像頭拍攝的36名受試者在清醒和疲勞狀態(tài)下的駕駛視頻，這些受試者來(lái)自不同的種族，年齡在18到40歲之間，分別在白天和夜晚進(jìn)行拍攝。本文選取105段疲勞駕駛視頻和105段清醒的駕駛視頻作為實(shí)驗(yàn)的數(shù)據(jù)集，每段視頻長(zhǎng)度為10秒，視頻幀率為30fps。

4.2 評(píng)估指標(biāo)

實(shí)驗(yàn)評(píng)估指標(biāo)使用查準(zhǔn)率P、查全率R和F1值，表2為指標(biāo)矩陣。

表2 指標(biāo)矩陣

根據(jù)表2，分別給出了P、R和F1的計(jì)算公式：

F1值能夠綜合衡量查準(zhǔn)率和查全率，實(shí)驗(yàn)采用F1值作為主要性能評(píng)價(jià)指標(biāo)。

4.3 實(shí)驗(yàn)過(guò)程

為了能夠客觀(guān)反映實(shí)驗(yàn)效果，本文選擇KNN、SVM和AdaBoost三種分類(lèi)器對(duì)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，并采用十折交叉驗(yàn)證法將數(shù)據(jù)集隨機(jī)分組，由于每次實(shí)驗(yàn)時(shí)分得的訓(xùn)練集和測(cè)試集可能有所不同，本文在實(shí)驗(yàn)過(guò)程重復(fù)進(jìn)行10次十折交叉驗(yàn)證，再求其指標(biāo)的均值，作為對(duì)實(shí)驗(yàn)的綜合評(píng)估。

4.4 實(shí)驗(yàn)結(jié)果與分析

4.4.1 MI-FCBF算法參數(shù)選擇

1）通過(guò)實(shí)驗(yàn)并結(jié)合KNN、SVM和AdaBoost分類(lèi)結(jié)果確定MI-FCBF特征選擇算法的參數(shù)M_1。根據(jù)MI-FCBF算法中的互信息公式計(jì)算各個(gè)特征與類(lèi)別的互信息值，將所有特征按互信息值進(jìn)行降序排列，通過(guò)依次擴(kuò)大特征維度的方式，觀(guān)察三種分類(lèi)方法的F1值，如圖3所示。

圖3 特征維度和F1值的關(guān)系

從圖3中可以看出，三種分類(lèi)器的F1值均大于80%，說(shuō)明面部動(dòng)作單元AU和頭部姿態(tài)角能夠較好的表征疲勞狀態(tài)。隨著特征維度的增加，AdaBoost分類(lèi)算法的F1值總體上都優(yōu)于KNN和SVM，比KNN算法平均高出4.36%，比SVM算法平均高出4.83%，說(shuō)明數(shù)據(jù)集在AdaBoost分類(lèi)器上展現(xiàn)了更好的性能。當(dāng)特征維度小于45時(shí)，三種分類(lèi)器的F1值總體呈上升趨勢(shì)，當(dāng)特征維度為45時(shí)，F(xiàn)1值均達(dá)到一個(gè)峰值，當(dāng)特征維度大于45時(shí)，F(xiàn)1值均呈現(xiàn)下降的趨勢(shì)，說(shuō)明后加入的特征對(duì)提升F1值的作用不大，可將其視為不相關(guān)或相關(guān)性較小的特征而刪除。因此本文將初始特征子集S的維度定為45，即M_1=45。

2）為了研究MI-FCBF算法中最優(yōu)特征子集的維度參數(shù)M_2與疲勞檢測(cè)精度的關(guān)系，本文將M_2分別設(shè)定為5、10、15、20、25、30、35、40和45，觀(guān)察KNN、SVM和AdaBoost三種算法在不同最優(yōu)特征子集維度下的準(zhǔn)確率P、召回率R和F1值，結(jié)果如表3所示。

由表3可以看出，MI-FCBF算法在第二階段對(duì)從上一階段獲得的45個(gè)初始特征再次選出最優(yōu)特征子集，隨著最優(yōu)特征子集維度的增大，三種分類(lèi)算法的查準(zhǔn)率P、查全率R和F1值基本呈現(xiàn)出先升高后下降的趨勢(shì)，當(dāng)最優(yōu)特征子集維度M_2為5時(shí)，各個(gè)算法所達(dá)到的檢測(cè)效果與特征維度為45時(shí)相差不大，均達(dá)到了90%以上，表明本文提出的MI-FCBF特征選擇算法能夠在降低特征維度的同時(shí)還保持較高的分類(lèi)效果。由于Adaboost算法在查準(zhǔn)率P，查全率R和F1值三個(gè)指標(biāo)上明顯優(yōu)于其他兩種分類(lèi)器，因此本文選擇Adaboost算法進(jìn)一步研究。

表3 不同最優(yōu)特征子集維度下的疲勞檢測(cè)結(jié)果比較

4.4.2 實(shí)驗(yàn)對(duì)比結(jié)果

為驗(yàn)證本文提出的MI-FCBF特征選擇算法的有效性，通過(guò)單獨(dú)使用MI特征選擇算法、單獨(dú)使用FCBF特征選擇算法和不使用特征選擇（特征維度為64）的方法在不同特征維度上進(jìn)行對(duì)比實(shí)驗(yàn)，并均采用AdaBoost作為分類(lèi)算法，實(shí)驗(yàn)對(duì)比結(jié)果如圖4所示。

圖4 四種方法的實(shí)驗(yàn)對(duì)比結(jié)果

從圖4中可得，隨著特征維度的增加，三種特征選擇算法在維度為10、20和30時(shí)的F1值不斷提高，在特征維度為40時(shí)略有下降，但基本不低于不進(jìn)行特征選擇所得的F1值，表明原始特征集中確實(shí)存在信息冗余的現(xiàn)象。在四種特征維度下，基于本文所提出的MI-FCBF算法的疲勞檢測(cè)F1值均高于其他方法，比基于其他兩種特征選擇的方法平均提升了3.3%～5.3%，比不進(jìn)行特征選擇的方法平均提升了7.25%，說(shuō)明本文提出的MI-FCBF特征選擇算法在疲勞分類(lèi)上具備有效性。

5 結(jié)語(yǔ)

本文提出了一種基于多源視覺(jué)信息和MI-FCBF特征選擇的疲勞檢測(cè)方法，該方法結(jié)合面部動(dòng)作單元AU和頭部姿態(tài)作為疲勞指標(biāo)，并分別提取這兩種指標(biāo)的8個(gè)統(tǒng)計(jì)量作為疲勞特征。由于高維度特征可能包含了無(wú)關(guān)和冗余信息，本文提出的MI-FCBF特征選擇算法分別通過(guò)比較互信息和對(duì)稱(chēng)不確定性，克服了傳統(tǒng)特征選擇算法僅能去除無(wú)關(guān)特征而不能去除冗余特征的缺陷，并自定義特征維度，解決了因被保留特征過(guò)于稀少而使檢測(cè)精度不高的問(wèn)題。該疲勞檢測(cè)方法能夠以較少的特征獲得更高的檢測(cè)精度，使檢測(cè)模型的泛化能力得到提升。